Page name: ARRSProjekti / 2021 / Optimizacija nevtronskih karakteristik fuzijskih reaktorjev s pomočjo strojnega učenja

Optimizacija nevtronskih karakteristik fuzijskih reaktorjev s pomočjo strojnega učenja

Nazaj na seznam za leto 2021


Oznaka in naziv projekta

Z2-3201 Optimizacija nevtronskih karakteristik fuzijskih reaktorjev s pomočjo strojnega učenja
Z2-3201 Machine learning-based optimization of fusion reactor neutronics performance

Logotipi ARRS in drugih sofinancerjev

© Javna agencija za raziskovalno dejavnost Republike Slovenije

Projektna skupina

Vodja projekta: Aljaž Čufar

Sodelujoče raziskovalne organizacije: Povezava na SICRIS

Sestava projektne skupine: Povezava na SICRIS

Vsebinski opis projekta

Zlivanje jeder lahko potencialno revolucionarno spremeni svetovno produkcijo energije, saj združuje lahko dostopnost goriva in veliko količino goriva, majhen fizični in okoljski odtis in splošno dobro dostopnost surovin, ki jih potrebuje za obratovanje. Ko se področje zlivanja jeder prestavlja iz osnovnih raziskav na področje uporabnega vira energije, bomo potrebovali boljša orodja za določanje optimalnega dizajna, vključno z raziskavami drugačnih konceptov, kot so npr. majhni, modularni reaktorji.

Jedrske analize in povezane omejitve, poleg drugih pomembnih disciplin, vodijo in pogosto omejujejo proces konstrukcije fuzijske elektrarne. Simulacije transporta nevtronov in žarkov gama so tako ključno orodje za ocenjevanje primernosti določenega dizajna, saj rezultati pokažejo, če so parametri znotraj omejitev, ki jih narekujejo izbira tehnologij in materialov. Način na katerega se trenutno te analize izvajajo, vključuje znaten vložek človeškega časa in računskih zmogljivosti. Predlagamo, da razvijemo in demonstriramo uporabo prilagodljive platforme za modeliranje modelov na osnovi nizkega števila vhodnih podatkov, ki pa lahko pokrijejo širok spekter konceptov reaktorjev in če se pokaže potreba, omogočajo tudi natančnejše modeliranje. Parametrizacija in avtomatizacija priprave modelov je predpogoj za uporabo avtomatične optimizacije dizajnov na podlagi optimizacijskih algoritmov na podlagi strojnega učenja. Ti novi pristopi bodo pokazali alternativen način za optimizacijo dizajna, ki potrebuje znatno manj človeškega časa in lahko potencialno tudi pomembno poveča širino študij optimizacije. Tak proces dizajniranja bi v določenih primerih lahko tudi pokazal inovativne koncepte, ki bi jih s trenutnimi praksami verjetno zgrešili.

Cilji

Združitev avtomatične priprave modelov in njihove avtomatične optimizacije vidimo kot naslednji korak v razvoju fuzijskih reaktorjev. Demonstrirali bomo alternativni pristop k optimizaciji dizajna, osnovan na dejstvu, da računske zmogljivosti močno prehitevajo izboljšave na področju učinkovitosti dela, ki jih prinašajo tipične nadgradnje obstoječih orodij.

Faze projekta in opis njihove realizacije

V. Identifikacija glavnih parametrov (meseci 1-3)

  • V.a Zbiranje obstoječih modelov in informacij (mesec 1)
  • V.b Pol-avtomatska produkcija prvih testnih modelov (meseca 2-3)
  • Rezultat 1: Produkcija modelov, primernih za uporabo v nevtronskih izračunih (mesec 3)

VI. Priprava in testiranje orodja (month 4-24)

  • VI.a Definicija vhodnih podatkov in glavnih lastnosti orodja RESTgen (mesec 4)
  • VI.b RESTgen verzija 0.1 (meseci 5-9)
  • VI.c Testiranje RESTgen v0.1 na osnovi obstoječih rezultatov (meseci 9-12)
  • Rezultat 2: različica programa RESTgen, ki daje rezultate relevantne in poročilo z rezultati testnih primerov (mesec 12)

  • VI.d RESTgen različica 1.0, različica že uporabna za jedrske analize (meseci 13-18)
  • Rezultat 3: zrela različica orodja RESTgen uporabna za nevtronske analize (mesec 24)

VII. Avtomatična optimizacija dizajna reaktorjev (meseci 1-24)

  • VII.a Pregled optimizacijskih algoritmov in njihovo testiranje na enostavnih primerih (meseci 1-6)
  • VII.b Razvoj in testiranje plug-ina za nevtronsko optimizacijo dizajnov (mesci 7-12)
  • VII.c Uporaba in dodelovanje plug-ina za geometrijo tokamaka (meseci 7-12)
  • Rezultat 4: Rezultati testov avtomatske optimizacije dizajnov (mesec 24)

VIII. Širše aplikacije (meseci 19-24)

  • VIII.a Testiranje in zagotovitev, da RESTgen deluje tako za majhne kot velike tokamake
  • VIII.b Demonstracija uporae RESTgen-a za analize občutljivosti/negotovosti

Bibliografske reference


Nazaj na seznam za leto 2021